Modelli GLLAMM per la stima del rischio di chiusura dell'attivita': il caso delle aziende agricole venete

Testo completo

(1)UNIVERSITÀ DEGLI STUDI DI PADOVA FACOLTÀ DI SCIENZE STATISTICHE. CORSO DI LAUREA SPECIALISTICA IN SCIENZE STATISTICHE, ECONOMICHE, FINANZIARIE E AZIENDALI. TESI DI LAUREA. MODELLI GLLAMM PER LA STIMA DEL RISCHIO DI CHIUSURA DELL’ATTIVITÀ: IL CASO DELLE AZIENDE AGRICOLE VENETE RELATORE: PROF. ADRIANO PAGGIARO LAUREANDO: ANDREA VALENTE. ANNO ACCADEMICO 2009/2010.

(2) !. ii! !.

(3) Indice! !. 1 Introduzione e sommario!............................................................................................!1! !. 2 La Politica Agricola Comunitaria!..........................................................................!5! 2.1 La riforma Fischler (2003)!............................................................................................!10! 2.1 La situazione italiana e le sovvenzioni alle imprese agricole!..................................!14! !. 3!I Dati!....................................................................................................................................!15! 3.1 Le variabili!......................................................................................................................!16! 3.2 Alcune analisi descrittive!..............................................................................................!21!. 4 Modelli di durata a tempi discreti!!.......................................................................!29! 4.1 L’ eterogeneità non osservata e il modello ad effetti casuali!...................................!31! 4.2 Stima e previsione sui dati reali!...................................................................................!34! 4.3 L’ analisi ROC (Receiver Operating Characteristic)!.................................................!41! 4.3.1 Applicazione ai dati reali!..................................................................................!46!. 5 I modelli GLLAMM!!...................................................................................................!49! 5.1 Modelli lineari multilivello e modelli lineari generalizzati!......................................!51! 5.2 Previsione degli effetti casuali nell’ottica Bayesiana empirica!................................!53! 5.3 Previsione delle variabili dipendenti!...........................................................................!55! 5.4 Il modello a due livelli per l’analisi di sopravvivenza!..............................................!56! 5.5 Modelli GLLAMM e STATA!......................................................................................!58!. 6 Le simulazioni!!................................................................................................................!61! 6.1 Il “prior prediction method” con gllapred di Gllamm e la previsione con xtlogit in STATA!........................................................................................................................!63! 6.1.1 Assenza di eterogeneità non osservata!............................................................!64! 6.1.2 Presenza di eterogeneità non osservata!...........................................................!71! iii! !.

(4) 6.2 La “cluster-averaged expectation” e gllapred mu!!...................................................!77! 6.2.1 Le stime “cluster-averaged expectation” e i valori effettivi!!.......................!77! 6.2.2 La varianza dell’effetto casuale e le stime “cluster-averaged expectation” !........................................................................................................................................!81!. 7 Applicazioni!ai dati reali!............................................................................................!87! 7.1 Modello ridotto!...............................................................................................................!87 7.1.1 Analisi su un campione di prova!......................................................................!93! 7.2 Modello completo!..........................................................................................................!96!. Bibliografia!!........................................................................................................................!105 !. !. iv! !.

(5) 1. Introduzione e sommario I criteri di sovvenzione alle imprese agricole sono stati sostanzialmente modificati dalle riforme della Politica Agricola Comunitaria (PAC) iniziate con Agenda 2000. Nel tentativo di avvicinarsi a una logica di mercato si è deciso di introdurre una maggiore selettività per le imprese da sovvenzionare valutandone la “vitalità”, cercando di capire quali sono le caratteristiche di quelle che rimangono attive nel tempo consentendo un utilizzo più efficiente dei fondi della PAC. Questa tesi analizza la sopravvivenza delle imprese agricole venete utilizzando un dataset che integra dati sulla sopravvivenza delle imprese ricavati dagli archivi REA delle Camere di Commercio, con i dati ISTAT del V Censimento Generale dell’Agricoltura. La tesi si incentra sostanzialmente sul confronto tra il modello a effetti casuali con variabile risposta binaria stimabile con STATA attraverso la funzione xtlogit, e il modello a due livelli stimabile attraverso il pacchetto esterno di STATA, gllamm, sviluppato per il software stesso da Skrondal, Rabe-Hesketh e Pickles (2004). Il fine principale è verificare se l’approccio Bayesiano empirico utilizzato per “inserire” l’eterogeneità non osservata nelle previsioni produca miglioramenti nella classificazione delle imprese sopravvissute rispetto all’approccio che non considera tale eterogeneità. A differenza dell’analisi di Biasiolo (2006) che prendeva in considerazione tutte le aziende presenti nell’archivio REA, si è deciso di ridurre le analisi alla coorte delle imprese nuove iscritte nell’anno 1999. Questa scelta permette di osservare l’ingresso di tutte le unità nel dataset, eliminando possibili problemi di length bias. L’abbinamento di archivi REA e Censimento consente da un lato di seguire le aziende fino al 2004, dall’altro di osservare tutte le caratteristiche dell’azienda disponibili nel censimento. La tesi è strutturata come segue: nel capitolo 2 viene presentata la Politica Agraria Comunitaria,. introducendo. quindi. l’importanza. della. determinazione. della. probabilità di sopravvivenza delle aziende agricole in un ottica di maggiore selettività dei finanziamenti alle stesse. Nel capitolo 3 presentiamo una breve analisi. 1! !.

(6) descrittiva dei dati e delle variabili utilizzate per la stima dei modelli di interesse. Nel capitolo 4 introducendo i modelli di durata a tempi discreti (ricostruendo il dataset in formato episode-splitting), andiamo a stimare sui dati in nostro possesso il modello ad effetti casuali per variabile risposta binaria (xtlogit) utilizzando le variabili UDE e OTE indicative rispettivamente dell’orientamento tecnico-economico delle aziende e della dimensione economica aziendale, e ne verifichiamo la capacità di classificazione attraverso l’approccio analitico alla curva ROC. Nel capitolo 5 presentiamo in maniera relativamente dettagliata un approfondimento sui modelli Gllamm (Generalized Linear Latent and Mixed Models), sulla stima dei parametri e sulla previsione empirico - bayesiana degli effetti casuali e delle variabili dipendenti riconducendoci poi al caso del modello a due livelli in un contesto di modelli di durata a tempi discreti. Viene trattato il metodo di previsione proposto da Biasiolo (2006) chiamato “cluster-averaged expectation” e viene introdotto un metodo alternativo, il “prior prediction method”, spiegando come si ottengono tali previsioni dal pacchetto gllamm. Nel capitolo 6 andremo invece ad effettuare delle simulazioni di dataset simili a quello utilizzato per le analisi sulla sopravvivenza delle aziende agricole con il fine di illustrare eventuali differenze in termini di stima dei parametri e di classificazione utilizzando anche in questo caso l’approccio analitico alla Roc Curve e Roc Area: a questo scopo sono stati confrontati i diversi metodi in assenza/presenza di eterogeneità non osservata nel caso in cui le analisi fossero svolte su un panel bilanciato e su un dataset in formato episode-splitting. Il capitolo 7, infine, contiene essenzialmente l’applicazione sui dati reali, trattati nei primi capitoli, delle metodologie implementate dal pacchetto gllamm e dalla funzione interna di STATA, xtlogit. Essendo principalmente lo scopo della tesi quello di indagare se vi fosse effettivamente un miglioramento delle stime delle probabilità di cessazione adottando l’approccio GLLAMM, si è giunti a verificare che in questi termini in realtà le due metodologie si equivalgono. Dalla trattazione teorica dei modelli Gllamm nel capitolo 5 e dalle simulazioni effettuate nel capitolo 6, si è capito che non è possibile utilizzare l’approccio “cluster-averaged expectation” per fare previsioni su un nuovo “cluster”, in quanto sono necessari i valori della variabile risposta osservati nel cluster stesso. Questa. 2! !.

(7) caratteristica rende poco utile questo metodo per le analisi di interesse della tesi e smentirà sostanzialmente le conclusioni ottenute da Biasiolo (2006). Per questo motivo si introduce una metodologia implementata in gllamm che sembra essere più adatta ai nostri scopi predittivi, il “prior prediction method” che teoricamente utilizza la distribuzione a priori dell’effetto casuale per effettuare la previsione. Tale metodologia, dalle simulazioni svolte, non sembra però fornire risultati migliori in termini classificativi dell’approccio predittivo che utilizza la funzione interna di Stata (xtlogit), la quale assume nella previsione assenza di eterogeneità: nella quasi totalità delle casistiche trattate in ambito di simulazione, considerare l’approccio previsivo fornito da xtlogit e utilizzare il “prior prediction method” di gllamm portano essenzialmente alle medesime conclusioni. Si è visto infatti che sebbene la distribuzione delle probabilità stimate dai due metodi possano essere anche diverse, in realtà nessuna delle due metodologie sfrutta in maniera migliore l’informazione, e ciò si vede dai vari test effettuati sulle Roc Areas. In termini di stima dei parametri gllamm e xtlogit sembrano diversificarsi essenzialmente per i diversi metodi di quadratura utilizzata: xtlogit utilizza il metodo della quadratura di Gauss-Hermite sviluppato per Stata da Liu, Qing e Pierce (1994), gllamm utilizza il metodo sviluppato da Naylor e Smith (1982) e poi implementato da Skrondal e Rabe-Hesketh (2004). Xtlogit adatta la quadratura utilizzando la moda e la curvatura della moda della funzione di verosimiglianza mentre gllamm utilizza una stima della media e della varianza di questa. Sembra che dall’esperienza degli autori quest’ultimo tipo di quadratura funzioni molto meglio nei casi di elevata eterogeneità non osservata. Per quanto riguarda le applicazioni sui dati reali, si è visto che è efficace utilizzare un modello ridotto che tiene in considerazione le variabili OTE e UDE ai fini di una politica di sostegno alle aziende agricole. Considerando tutte le aziende ugualmente meritevoli, la probabilità di sovvenzionare un’azienda che chiuderà entro 5 anni è pari al 23.84%; tale probabilità scende al 13.48% se si utilizzano determinate soglie con entrambe le metodologie. Tale decisione comporta però il mancato finanziamento del 59.84% delle aziende che sopravvivranno per più di 5 anni. Si è verificato inoltre, attraverso l’analisi Roc, che utilizzare tutte le informazioni disponibili come esplicative fornisce un miglioramento statisticamente significativo,. 3! !.

(8) intorno ai 2 punti percentuali, delle performance. Si è visto, comunque, come in entrambi i modelli la dimensione economica sia fortemente determinante per la sopravvivenza delle aziende prese in esame. Rispetto all’obiettivo metodologico della tesi, le conclusioni sostanziali cui si giunge con l’approccio gllamm sono essenzialmente le medesime ottenute con i modelli di durata ad effetti casuali, in particolare se si sfrutta tutta l’informazione disponibile.. 4! !.

(9) 2.La Politica Agricola Comunitaria La politica agricola comune o comunitaria (PAC) è una delle politiche comunitarie di maggiore importanza, impegnando circa il 44% del bilancio dell’Unione Europea ed è prevista dal Trattato Istitutivo delle Comunità. L’agricoltura ha rappresentato, fin dai tempi dei negoziati del trattato di Roma, uno degli obiettivi prioritari delle istanze politiche decisionali europee. A quell’epoca era ancora vivo il ricordo delle penurie alimentari dell’immediato dopoguerra, e l’agricoltura ha costituito un elemento chiave delle politiche europee fin dagli esordi della Comunità. La Politica Agricola Comunitaria (PAC) consiste in una serie di norme e meccanismi che regolano la produzione, gli scambi e la lavorazione dei prodotti agricoli nell’ambito dell’Unione Europea. La base giuridica della politica agraria comune è definita ad oggi agli articoli 32-38 del titolo II del Trattato CE. Il Trattato di Roma definiva gli obiettivi generali della politica agraria comune, principi fissati durante la conferenza di Stresa del luglio 1958. Nel 1960, i sei membri fondatori della Comunità europea hanno adottato i meccanismi della PAC e due anni dopo, nel 1962, la PAC è entrata in vigore. Le finalità della PAC, secondo quanto stabilito dall’articolo 33 del Trattato CE, sono le seguenti: -. Incrementare la produttività dell’agricoltura, sviluppando il progresso tecnico, assicurando lo sviluppo razionale della produzione agricola e un impiego migliore dei fattori di produzione, in particolare della manodopera.. -. Assicurare alla popolazione agricola un tenore di vita equo, intervenendo, in particolare, sul miglioramento del reddito individuale di coloro che lavorano nell’agricoltura.. -. Stabilizzare i mercati.. -. Garantire la sicurezza degli approvvigionamenti.. -. Assicurare prezzi ragionevoli per i consumatori.. 5! !.

(10) Per raggiungere tali obiettivi, l’articolo 34 del Trattato prevede la creazione di una organizzazione comune dei mercati agricoli (OCM) che, a seconda dei prodotti, andava a stabilire:. -. Regole comuni in materia di concorrenza.. -. Un coordinamento obbligatorio delle diverse organizzazioni nazionali del mercato.. -. Un’organizzazione europea del mercato.. Tre principi fondamentali, definiti nel 1962, caratterizzano il mercato agricolo comune e quindi le OCM:. -. Un mercato unificato, inteso come libera circolazione dei prodotti agricoli nell’ambito degli Stati membri.. -. La preferenza comunitaria, ovvero la priorità negli scambi per i prodotti agricoli dell’Unione europea, in modo tale da renderli più vantaggiosi dal punto di vista dei prezzi rispetto ai prodotti importati dai paesi terzi e proteggerli dalle grandi fluttuazioni sul mercato mondiale.. -. La solidarietà finanziaria, ovvero il sostenimento di tutte le spese e i costi inerenti l’applicazione della PAC da parte del bilancio comunitario.. Le organizzazioni comuni dei mercati sono state introdotte in maniera graduale; attualmente esse esistono per la maggior parte dei prodotti agricoli e costituiscono gli strumenti del mercato agricolo comune in quanto eliminano gli ostacoli agli scambi intracomunitari dei prodotti e mantengono barriere doganali comuni nei confronti dei paesi terzi. Lo strumento finanziario della PAC è il Fondo europeo agricolo d’orientamento e di garanzia (FEAOG) che rappresenta una parte sostanziale del bilancio comunitario. Il FEAOG è stato istituito nel 1962 e suddiviso nel 1964 in due sezioni:. -. La sezione “orientamento”, che fa parte dei fondi strutturali e che contribuisce alle riforme agricole strutturali e allo sviluppo delle zone. 6! !.

(11) rurali (ad esempio, tramite investimenti nelle nuove attrezzature e tecnologie). -. La sezione “garanzia”, che finanzia le spese inerenti l’organizzazione comune dei mercati (ad esempio, tramite l’acquisto o lo stoccaggio delle eccedenze e la promozione delle esportazioni dei prodotti agricoli).. Nel corso degli anni, la PAC ha realizzato con successo i suoi obiettivi iniziali: è riuscita, infatti, a promuovere sia la produzione che la produttività, ha stabilizzato i mercati, assicurato l’approvvigionamento dei prodotti e protetto gli agricoltori contro le fluttuazioni dei prezzi sui mercati mondiali. La PAC ha subito, nel corso dei quattro decenni della sua esistenza, numerose riforme. Il primo tentativo risale al 1968, con la pubblicazione da parte della Commissione di un “Memorandum sulla riforma della PAC”, comunemente detto “Piano Mansholt”, dal nome del suo promotore, Sicco Mansholt, all’epoca vice presidente della Commissione e responsabile della PAC. Il piano prevedeva la riduzione della popolazione attiva in agricoltura e l’incoraggiamento alla formazione di unità di produzione agricola più grandi e più efficienti. Nel 1972 sono state introdotte misure strutturali rivolte in particolare alla modernizzazione dell’agricoltura e, nel 1983, la Commissione propose una riforma sostanziale, che fu formulata ufficialmente due anni dopo con la pubblicazione del libro verde sulle “Prospettive della politica agraria comune” (1985). Il documento aveva l’obiettivo primario di ristabilire l’equilibrio tra l’offerta e la domanda, di formulare nuove soluzioni per ridurre la produzione nei settori in difficoltà e, in genere, di proporre possibili alternative per il futuro della PAC. Nel 1988, il Consiglio europeo ha raggiunto un’intesa su un insieme di interventi di riforma che limitavano la percentuale della spesa della PAC nel quadro del bilancio generale. Nel 1991 la Commissione e Ray MacSharry, membro responsabile dell’agricoltura, hanno presentato due documenti di riflessione sullo sviluppo e il futuro della PAC; tali documenti costituivano la base per un’intesa politica sulla riforma raggiunta effettivamente il 21 maggio 1992. I cambiamenti più importanti riguardavano la. 7! !.

(12) compensazione per le perdite di reddito subite dagli agricoltori, i meccanismi del mercato e la protezione dell’ambiente. Nel luglio 1997, la Commissione ha proposto una riforma della PAC nel quadro di Agenda 2000, nell’ottica dell’allargamento ad est dell’Unione. Le trattative si conclusero nel marzo 1999, al consiglio di Berlino. Agenda 2000 ha rappresentato un cambiamento radicale della politica agraria comune: portando avanti il processo iniziato nel 1992, infatti, ha fornito una solida base per il futuro sviluppo dell’agricoltura nell’Unione, contemplando tutti gli ambiti di competenza della PAC (economico, ambientale e rurale) (Vieri, 2001). La riforma ha compreso, in particolare, misure intese a :. -. Rafforzare la competitività delle materie prime agricole sui mercati interni e mondiali.. -. Promuovere un tenore di vita adeguato alla comunità agricola.. -. Creare posti di lavoro sostitutivi e altre fonti di reddito per i lavoratori agricoli.. -. Elaborare una nuova politica dello sviluppo rurale come secondo pilastro della PAC.. -. Integrare maggiormente questioni ambientali e strutturali.. -. Migliorare la qualità dei prodotti alimentari.. -. Semplificare la legislazione in materia agraria e decentralizzarne l’applicazione, in vista di una maggiore chiarezza, trasparenza e accessibilità di norme e regolamenti.. Con tale riforma si sono create le condizioni per lo sviluppo di un’agricoltura comunitaria multifunzionale, sostenibile e concorrenziale. A metà 2003 sono state introdotte ulteriori importanti riforme che danno attuazione ai principi dell’Agenda 2000: esse rappresentano globalmente la ristrutturazione più radicale subita dalla PAC dal 1958 ad oggi. Non solo viene dato un taglio netto alle sovvenzioni alla produzione a vantaggio degli aiuti diretti agli agricoltori, ma la stessa concessione di tali aiuti è subordinata al rispetto delle norme vigenti in materia di ambiente, benessere degli animali, igiene. 8! !.

(13) e conservazione del paesaggio rurale. Le trasformazioni hanno anche preparato la PAC ad affrontare la sfida dell’allargamento, avvenuto nel maggio 2004, e che ha comportato, con il passaggio da 15 a 25 membri, l’aumento di quasi il 70% di agricoltori nell’UE (Cioccolo et al., 2004).. Figura 2.1: Evoluzione della spesa per la PAC!". Nella Figura 2.1 è rappresentata l’evoluzione della spesa per la PAC dal 1980 al 2002. Si nota in generale una continua crescita della spesa e, dall’inizio degli anni ’90, un sempre maggiore incremento degli aiuti diretti a scapito della spesa dedicata al sostegno dei mercati.. 9! !.

(14) 2.2 La riforma Fischler (2003) Nasce come “revisione di medio termine” (Mid-Term Review – MTR) di Agenda 2000, doveva infatti essere una semplice revisione di metà percorso per verificare l’effetto delle riforme introdotte nel 1999: in realtà la proposta contiene novità che vanno ben oltre la semplice verifica, la Mid-Term Review si è trasformata in una riforma più incisiva della stessa Agenda 2000, approfondendo il processo di riorientamento degli strumenti e la finalità stessa del sostegno. Gli obiettivi di questa riforma senz’altro furono quelli di:. -. Migliorare la competitività dell’agricoltura europea.. -. Riorientare la produzione al mercato.. -. Promuovere un’agricoltura sostenibile e socialmente accettabile.. -. Rafforzare lo sviluppo rurale.. -. Semplificare il regime di sostegno.. -. Rendere la PAC più rispondente agli impegni assunti o da assumere in sede WTO (World Trade Organization).. La. PAC. post-riforma. è. rappresentata. da. un. sostegno. in. larghissima. parte disaccoppiato, legato al possesso della terra sulla quale deve svolgersi l’attività agricola e vincolato al rispetto di standard minimi ambientali, di qualità alimentare, di salubrità dei prodotti agricoli, di benessere degli animali, di gestione dei terreni agricoli. Tale riforma ritaglia un ampio ruolo per gli Stati membri chiamati ad operare una serie di scelte per adattare la PAC alle specifiche realtà territoriali. Ruota attorno a tre cardini fondamentali:. 1) Disaccoppiamento degli aiuti e istituzione del “regime di pagamento unico” (RPU). 2) Modulazione degli aiuti diretti. 3) Condizionalità degli aiuti diretti.. 10! !.

(15) Il disaccoppiamento rappresenta il cuore della riforma della PAC, in cui l’aiuto non è più “accoppiato” alla quantità prodotta ma appunto “disaccoppiato”, non è più legato a cosa si produce ma alla più generale attività agricola: possesso della terra e esercizio dell’attività produttiva, dove per essa si intende anche il mantenimento della terra in buone condizioni agronomiche e ambientali. Nel corso di 40 anni si è passati da un aiuto legato a “quanto si produce”, ad un aiuto legato a “cosa si produce”. Si è quindi transitati da una produzione “orientata” ai sussidi a una produzione “orientata” al mercato: prima della riforma, la scelta di cosa produrre era dettata dall’entità degli aiuti che si potevano ottenere a seconda di come veniva ripartita la superficie tra le diverse colture, indipendentemente dalle richieste del mercato. Quindi anche in “assenza” di questo, la produzione realizzata poteva essere venduta a un prezzo minimo garantito. La riforma, slegando l’aiuto dal prodotto, determina un maggiore orientamento delle scelte dei produttori alle condizioni del mercato. Gli effetti del disaccoppiamento divengono:. 1) La riduzione della produzione: non è più necessario produrre per ottenere l’aiuto (il rovescio della medaglia è il rischio di abbandono) e inoltre la riduzione non è uniforme tra i prodotti e riguarda soprattutto le produzioni prima “orientate” all’ottenimento dei sussidi. 2) Il mercato si regola equilibrando domanda e offerta ed è meno influenzato dalle distorsioni dei meccanismi di formazione dei prezzi agricoli. 3) Si ha un passaggio vero e proprio da un sostegno al prodotto a un sostegno al reddito dei produttori.. L’RPU (Regime di pagamento unico) diventa una sorte di contenitore nel quale vengono travasati la maggior parte degli aiuti diretti prima contenuti nelle singole OCM, inquadrandoli in una cornice unica di diritti e obblighi. Gli aiuti diretti che confluiscono nel RPU sono elencati nella Tabella 2.1:. 11! !.

(16) Aiuto alla superficie per seminativi, legumi da granella, riso. Aiuto alla produzione per le sementi. Indennità ai produttori di patate da amido. Premi OCM carni bovine e ovicaprine. Aiuti alle regioni ultraperiferiche. Pagamenti per foraggi essiccati. Premi e pagamenti supplementari OCM latte (tra 2005 e 2007). Aiuti per superficie per il luppolo. Aiuti alla produzione olio d’oliva. Aiuti alla produzione tabacco dal 2006. dal 2006. Aiuto alla produzione cotone. Aiuti “compensativi” zucchero Tabella 2.1: Elenco degli aiuti diretti che confluiscono nel RPU. Ogni agricoltore che accede al RPU è titolare di un certo numero di diritti all’aiuto per ettaro, cioè per ricevere il pagamento dell’importo fissato nel titolo, ogni diritto all’aiuto deve essere abbinato ad un ettaro di superficie aziendale. Per ciascuno Stato membro è fissato un massimale nazionale, cioè un tetto all’ammontare di sostegno a cui ha diritto ed è calcolato in base alla media degli aiuti storici ricevuti da ciascuno Stato negli anni di riferimento. La modulazione è senza dubbio un altro punto importante della riforma e prevede la riduzione di tutti i pagamenti diretti, allo scopo di finanziare la nuova politica di. 12! !.

(17) sviluppo rurale. E’ obbligatoria per gli Stati membri partendo dal 2005, con un taglio che va dal 3% al 5% in tre anni (dal 2007 fino al 2012 rimane il 5%); prevede una franchigia sui primi 5000 euro di aiuti per ciascuna azienda, mentre le risorse tagliate, al netto dell’aiuto aggiuntivo, sono destinate allo sviluppo rurale. Le risorse passano allo sviluppo rurale con due diversi criteri: il 20% rimane allo Stato membro, mentre il restante 80% torna all’UE e viene ridistribuito secondo “criteri oggettivi” (SAU 65%, occupazione agricola 35%; il PIL pro-capite viene utilizzato come fattore di ponderazione). L’ultimo cardine fondamentale della riforma è legato al concetto di condizionalità (che la riforma Fischler punta a rafforzare): il sostegno pubblico è condizionato al rispetto di standard ambientali, di sicurezza alimentare, di salute e benessere degli animali e di salute delle piante; soltanto il rispetto di queste norme garantisce il pagamento completo degli aiuti finanziari (diviene una sorta di “scambio” tra maggiori vincoli e accesso ai finanziamenti pubblici). L’obiettivo dello strumento è di introdurre nuovi requisiti non (ancora) contemplati dalla legge e migliorare il rispetto delle norme legali vigenti; nella riforma ogni agricoltore beneficiario di pagamenti diretti è tenuto a :. -. rispettare i criteri di gestione obbligatori (CGO), 18 atti comunitari in materia ambientale, di sicurezza alimentare, di salute e benessere degli animali e delle piante con un applicazione graduale dal 2005 al 2007.. -. Mantenere i terreni agricoli in buone condizioni agronomiche ambientali (BCAA): hanno il compito di contrastare l’abbandono delle superfici conseguente al disaccoppiamento degli aiuti attraverso direttive relative all’erosione del suolo, ai livelli di presenza di sostanza organica minima nello stesso.. L’osservanza dei CGO e della BCAA riguarda tutta la superficie agricola dell’azienda, comprese le terre messe a riposo e quelle impiegate per attività che non comportano ottenimento di un pagamento diretto; il mancato rispetto delle norme comporta una riduzione degli aiuti diretti fino alla completa esclusione dagli aiuti stessi (D’Andrea, 2006).. 13! !.

(18) 2.3 La situazione italiana e le sovvenzioni alle imprese agricole L’universo delle aziende agricole italiane è composto per il 76% da aziende con una superficie agricola di meno di 5 ettari, le quali coprono meno del 20% del totale delle terre coltivate in Italia. Mentre le aziende che dispongono di oltre 20 ettari, pur essendo solo meno del 5% , controllano quasi il 60% della superficie agricola. Le piccole e grandi imprese non si differenziano soltanto dal punto di vista tecnologico (quindi rispetto alla possibilità per una grande impresa agricola di acquistare macchine che una piccola impresa non può permettersi), ma la differenza di scala si traduce senza dubbio in un vantaggio a favore delle grandi imprese: si pensi non solo ai vantaggi in termini di diminuzione dei costi unitari ma anche ad altri ambiti fondamentali per la vita dell’impresa, come il fatto di ottenere prezzi più bassi negli acquisti delle materie prime e dei semilavorati (economie di scala), vantaggi dal punto di vista dell’accesso al credito (il fatto anche di poter disporre di un capitale proprio di dimensioni rilevanti permette alle grandi imprese di poter fruire di condizioni più vantaggiose in termini di finanziamenti o anche all’autofinanziamento). Le piccole imprese dal canto loro possono raggiungere un più alto grado di flessibilità che permette loro di offrire prodotti più personalizzati, possono inoltre aderire a consorzi o a società cooperative (Cioccolo et al., 2004). In un quadro italiano in cui un’ impresa vive mediamente quasi 12 anni, 1 impresa su 4 chiude entro 3 anni di vita e oltre 4 su 10 nei primi 5 anni (Infocamere, 2002), diviene di fondamentale importanza riuscire ad individuare quelle aziende agricole che, grazie agli aiuti diretti provenienti dalla PAC, possano rimanere in “vita” garantendo l’autosufficienza per i principali generi alimentari e quindi in una logica di mercato e di flussi di denaro siano le scelte più efficaci ed efficienti.. 14! !.

(19) 3. I dati I dati che andremo ad utilizzare in questa ricerca provengono da un dataset che integra dati sulla sopravvivenza delle imprese agricole venete, ricavati dagli archivi REA (Repertorio delle notizie Economiche e Amministrative) del sistema delle CCIAA con i dati ISTAT del V Censimento Generale dell’Agricoltura del 2000. La Direzione del Sistema Statistico Regionale Veneto, in possesso dei questionari del Censimento compilati dalle aziende localizzate in Regione, ha provveduto all’operazione di abbinamento con la quale si sono collegate in maniera rigorosamente anonima informazioni provenienti dal Registro REA con quelle di fonte ISTAT. Oggetto di studio è la popolazione delle imprese che soddisfano i seguenti requisiti:. -. Essere iscritte negli archivi REA a fine 1999. -. Essere state rilevate nel Censimento del 2000. Di questa popolazione viene ricostruita la sopravvivenza negli archivi REA sino alla fine del 2004. Per una completa ed esauriente trattazione di questo argomento e quindi anche dell’abbinamento dei dati del Registro Imprese e dello stesso Censimento è utile fare riferimento a Biasiolo (2006) e Bassi et al. (2010). Il registro delle Imprese presso le Camere di Commercio è un’anagrafe giuridico – economica completamente informatizzata, le imprese iscritte alla Camera di Commercio sono obbligate a iscriversi anche negli archivi REA; questi si prestano bene all’analisi di sopravvivenza poiché le denuncie da effettuare al REA devono essere presentate entro 30 giorni dalla manifestazione dell’evento denunciato. L’unità di osservazione finale è l’azienda agricola come definita dal Censimento: una singola unità tecnico-economica costituita da terreni, anche in appezzamenti non contigui, ed eventualmente da impianti ed attrezzature varie, in cui si attua la produzione agraria ad opera di un conduttore, cioè persona fisica, società od ente. 15! !.

(20) che ne sopporta il rischio sia da solo (conduttore coltivatore e conduttore con salariati e/o compartecipanti), sia in associazione (Istat, 2002). La tabella 3.1 presenta il risultato finale dell’abbinamento dell’archivio REA Veneto e del V Censimento dell’agricoltura, avvenuto tramite utilizzazione come chiave identificativa di Codice Fiscale o Partita IVA. Ne risulta che il tasso di abbinamento globale è pari al 79.03%, con più di 90000 aziende identificate in entrambi gli archivi ed utilizzabili quindi per le analisi.. Numero Aziende Agricole. Percentuale sul totale. Venete Abbinamento tramite Codice Fiscale Abbinamento tramite Partita IVA Abbinamento totale. 88561. 77.1%. 2340. 2.03%. 90901. 79.03%. Mancato abbinamento con dati CCIAA Totale. 23958. 20.86%. 114859. 100%. Tabella 3.1: Abbinamento fra Censimento del 2000 e archivio Rea. 3.1 Le variabili Il Censimento ha permesso di raccogliere informazioni su vari aspetti dell’azienda agricola, le singole sezioni del questionario riguardano notizie (Istat, 2002):. -. di carattere generale sull’azienda (sistema di conduzione, forma giuridica, svolgimento di attività di vendita dei prodotti, etc…);. -. sull’utilizzazione dei terreni (nell’annata agraria 1 novembre 1999 – 31 ottobre 2000) per le coltivazioni principali e la secondaria successiva (seminati, coltivazioni legnose agrarie, etc..), in particolare sulla vite, in ottemperanza all’apposito regolamento comunitario;. 16! !.

(21) -. sugli impianti di irrigazione, sui fabbricati rurali, sugli altri impianti e sulle abitazioni situate nell’azienda;. -. sugli allevamenti (consistenza, tipologia, ricoveri per animali, produzione di latte, etc..);. -. sull’utilizzazione di mezzi meccanici e sulle loro modalità di utilizzo (come il contoterzismo);. -. sulle caratteristiche della forza lavoro impiegata in azienda;. -. sull’adozione di pratiche di agricoltura biologica, sulle produzioni di qualità, sugli effetti ambientali dell’attività aziendale, etc…;. -. sulle modalità di acquisto dei mezzi tecnici, sullo svolgimento di attività connesse all’agricoltura, sulla commercializzazione dei prodotti, sull’utilizzo di attrezzature informatiche;. -. sull’estensione delle superfici utilizzate per le diverse coltivazioni e sulla consistenza degli allevamenti di alcune tipologie di bestiame (ciò ha permesso di derivare una mappa estremamente dettagliata dell’utilizzo del territorio, fornendo preziose indicazioni sulla destinazione dei singoli terreni e, quindi, sull’effettiva dislocazione delle diverse attività agricole).. La tabella 3.2 descrive le variabili considerate come possibili regressori nelle analisi svolte successivamente e contiene sostanzialmente la maggior parte delle informazioni presenti nel questionario.. Variabile. Descrizione. Modalità. cond_dir. Forma di conduzione. 1 se diretta 0 altrimenti. sup_sau_azienda. Superficie totale dell’azienda in are. sup_sau_tot2. (Superficie totale dell’azienda)2. senza_sup. 1 se sup_sau_azienda=0. affitto. Titolo di possesso dei terreni. Binaria. uso-grat. Titolo di possesso dei terreni. Binaria. proprietà. Titolo di possesso dei terreni. Categoria di riferimento. azienda_individuale. Forma giuridica. 1 se azienda individuale 0 altrimenti. val_prod_vend_meno10. Valore. dei. prodotti. 17! !. venduti. in. Binaria.

(22) m. migliaia di euro. val_prod_vend_tra_10_. Valore. 50m. migliaia di euro. val_prod_piu50m. Valore. dei. dei. prodotti. prodotti. venduti. in. Binaria. venduti. in. Categoria di riferimento. migliaia di euro ades_consorzi. Adesione a consorzio agrario o di. Binaria. imprese adesione_soc_coop. Adesione a società cooperativa. Binaria. adesione_ass_prod. Adesione a associazioni produttori. Binaria. parchi. Rientra nei parchi o aree protette. Binaria. perc_altra. % superficie sulla sau. perc_arbo. % superficie sulla sau. perc_barb. % superficie sulla sau. perc_boschi. % superficie sulla sau. perc_cer. % superficie sulla sau. perc_fiori. % superficie sulla sau. perc_foraggi. % superficie sulla sau. perc_frutta. % superficie sulla sau. perc_legno. % superficie sulla sau. perc_legumi. % superficie sulla sau. perc_olivo. % superficie sulla sau. perc_orti. % superficie sulla sau. perc_ortive. % superficie sulla sau. perc_patata. % superficie sulla sau. perc_piante. % superficie sulla sau. perc_prati. % superficie sulla sau. perc_sanu. % superficie sulla sau. perc_vite. % superficie sulla sau. perc_vivai. % superficie sulla sau. serre. Superficie in are. bovini. Numero capi. ovicapri. Numero capi ovini e caprini. equini. Numero capi. suini. Numero capi. allev_avicoli. Numero capi. conigli. Numero capi. sesso. Sesso del conduttore. 18! !.

(23) eta. Età del conduttore. eta2. (Età del conduttore)2. cond_prof_condu. Condizione. lav_0_30. lav_30_90. lav_90_270. lav_270. professionale. del. 1 se occupato,. condottore. 0 altrimenti. Num. di giornate di lavoro all’anno. 1 se fino a 30 gg,. del conduttore. 0 altrimenti. Num. di giornate di lavoro all’anno. 1 se tra 30 e 90 gg,. del conduttore. 0 altrimenti. Num. di giornate di lavoro all’anno. 1 se tra 90 e 270 gg,. del conduttore. 0 altrimenti. Num. di giornate di lavoro all’anno. Categoria di riferimento. del conduttore att_rem_extraz. lav_fam. Attività remunerativa extraziendale. 1 se ne svolge. del conduttore. 0 altrimenti. Se. è. impiegata. prevalentemente. 1 se si. manodopera familiare. 0 altrimenti. capo_azienda. Se il conduttore è anche capo azienda. Binaria. lic_scu_elem. Titolo di studio del capo-azienda. Categoria di riferimento. lic_scu_inf. Titolo di studio del capo-azienda. Binaria. diploma. Titolo di studio del capo-azienda. Binaria. laurea. Titolo di studio del capo-azienda. Binaria. prod_bio. Agricoltura biologica vegetale e. Binaria. zootecnica lavoraz_prod_agric. Lavorazione di prodotti agricoli. Binaria. bel. Provincia in cui ha sede l’azienda. Binaria. pad. Provincia in cui ha sede l’azienda. Binaria. ven. Provincia in cui ha sede l’azienda. Binaria. vic. Provincia in cui ha sede l’azienda. Binaria. ver. Provincia in cui ha sede l’azienda. Binaria. rov. Provincia in cui ha sede l’azienda. Binaria. tv. Categoria di riferimento. cod_att101. ATECO=1.1. cod_att102. coltivazioni. 1 se 1.1. agricole,orticultura,floricoltura. 0 altrimenti. ATECO=1.2 allevamento di animali. 1 se 1.2 0 altrimenti. cod_att103. cod_att104. ATECO=1.3. coltivazioni agricole. associate all’allevamento di animali. 0 altrimenti. ATECO=1.4. 1 se 1.4. servizi. 19! !. 1 se 1.3. connessi.

(24) cod_att111. cod_att112. all’agricoltura e alla zootecnia. 0 altrimenti. ATECO=1.11 coltivazioni di cereali. 1 se 1.11. e altri seminativi. 0 altrimenti. ATECO=1.12 coltivazione di ortaggi. 1 se 1.12 0 altrimenti. Ote1. Aziende specializzate nei seminativi. 1 se cod.Ote I cifra=1 0 altrimenti. Ote2. Ote3. Aziende. specializzate. in. 1 se cod.Ote I cifra=2. ortofloricoltura. 0 altrimenti. Aziende specializzate in viticoltura. 1 se cod.Ote I cifra=3 0 altrimenti. Ote311. Aziende specializzate in viticoltura. 1 se cod. Ote I,II,III. da vino D.O.C.. cifra=311, 0 altrimenti. Ote312. Aziende specializzate in viticoltura. 1 se cod. Ote I,II,III. da vino comune. cifra=312, 0 altrimenti. Ote4. Aziende specializzate in erbivori. 1 se cod. Ote I cifra=4 0 altrimenti. Ote5. Aziende specializzate in granivori. 1 se cod. Ote I cifra=5 0 altrimenti. Ote6. Aziende specializzate in policoltura. 1 se cod. Ote I cifra=6 0 altrimenti. Ote7. Aziende con poliallevamento. 1 se cod. Ote I cifra=7 0 altrimenti. Ote8. Aziende. miste. coltivazioni-. 1 se cod. Ote I cifra=8. allevamento. 0 altrimenti. Ote9. Aziende non classificabili. Categoria di riferimento. ude_2. Codice ude. Categoria di riferimento. ude2_4. Codice ude. 1 se 2! ude! 4. ude4_6. Codice ude. 1 se 4! ude! 6. ude6_8. Codice ude. 1 se 6! ude! 18. ude8_12. Codice ude. 1 se 8! ude! 12. ude12_16. Codice ude. 1 se 12! ude! 16. ude16_40. Codice ude. 1 se 16! ude! 40. ude40_100. Codice ude. 1 se 40! ude! 100. ude100. Codice ude. 1 se ude!100. Tabella 3.2 : Regressori utilizzati per i modelli. 20! !.

(25) 3.2 Alcune analisi descrittive In questa sezione andiamo a descrivere alcune delle variabili utilizzate nel dataset. Nella Figura 3.1, che mostra la distribuzione dell’età delle aziende agricole venete sopravvissute al censimento del 2000, è evidente che la maggior parte di queste ha un’età sostanzialmente non superiore ai 30 anni. Si nota un picco in corrispondenza dei 27 anni, questo perché circa il 18% delle aziende hanno la stessa data di inizio attività (1/1/1973) a causa dell’entrata in vigore del d.p.r.633/1972 che disciplina l’Imposta sul Valore Aggiunto (IVA).. 0. .05. Density .1. .15. .2. Distribuzione Anno inizio attività delle aziende agricole. 1950. 1960. 1970 1980 Anno inizio attvità. 1990. 2000. Figura 3.1: Distribuzione dell’anno di inizio attività delle aziende agricole Venete al censimento del 2000. Al fine di semplificare il contesto per le analisi empiriche successive, si è deciso di andare tuttavia a prendere in considerazione non tutte le aziende agricole Venete, ma solo la “coorte” di quelle aziende recenti, cioè nate nel 1999 e quindi le ultime aziende censite considerando l’anno di nascita. Per un trattazione descrittiva esaustiva di tutte le aziende del dataset è utile fare riferimento a Biasiolo (2006) e Bassi et al. (2010). Le aziende agricole venete nate nell’ultimo anno possibile (1999) all’epoca del Censimento del 2000 sono 1804, la cui distribuzione geografica è rappresentata in Figura 3.2.. 21! !.

(26) Distribuzione aziende agricole per Provincia. 12.58%. 2.993% 18.29%. 22.62%. 7.317%. 24.06%. 12.14%. BELLUNO ROVIGO VENEZIA VICENZA. PADOVA TREVISO VERONA. Figura 3.2: Distribuzione Aziende Agricole Venete nate nel 1999 suddivise per Provincia. Come si era visto in precedenza, grazie alla connessione con l’archivio Rea, possiamo anche sapere la distribuzione in termini di sopravvivenza di queste stesse aziende in un arco di tempo che va dal 2000 al 2004. Dalla Figura 3.3 si nota che nell’arco dei primi 5 anni di vita, la mortalità aziendale è pari al 23.84%.. Sopravvivenza delle aziende fino al 2004. 2.772% 3.991% 5.155% 6.153% 5.765%. 76.16%. Aziende sopravvisute oltre il 2004 Cessate nel 2001 Cessate nel 2003. Cessate nel 2000 Cessate nel 2002 Cessate nel 2004. Figura 3.3: Distribuzione in termini di sopravvivenza delle aziende agricole nate nel 1999 nel periodo 2000-2004. 22! !.

(27) Una variabile rilevante nel panorama delle aziende agricole Venete senza dubbio è l’età dei conduttori delle stesse; sostanzialmente nell’intero dataset l’età media è pari a 59 anni. L’età dei conduttori invece nel dataset ridotto è sensibilmente più bassa e si attesta intorno ai 49 anni, la distribuzione è descritta in Figura 3.4.. 0. .01. Density. .02. .03. Distribuzione dell' età dei Conduttori. 20. 40. 60 Età (anni). 80. 100. Figura 3.4: Distribuzione dell’età dei conduttori delle aziende agricole venete nate nel 1999. E’ interessante verificare anche il livello di istruzione del conduttore rappresentato in Figura 3.5: la letteratura economica assegna al capitale umano un ruolo prioritario e di motore della crescita e di sviluppo economico. Il livello di istruzione produce due effetti: uno interno, di aumento della produttività del lavoro, derivante dall’ accresciuta abilità ed efficienza del lavoratore più istruito; il secondo è un’esternalità che consiste nel miglioramento della produttività media di tutti i lavoratori coinvolti nell’attività produttiva. Verifiche empiriche dell’effetto del capitale umano sulla produttività delle risorse impiegate nell’agricoltura italiana sono state già effettuate e da queste è noto come il livello di capitale umano nell’agricoltura italiana sia basso rispetto ad altri settori (si pensi che dal censimento del 2000 risulta che solo 1% delle aziende agricole possiede attrezzature informatiche) (De Devitiis et al., 2009).. 23! !.

(28) Livello di istruzione del conduttore. 2.328% 3.603%. 25.94% 35.31%. 32.82%. 1-NESSUN TITOLO 3-LICENZA MEDIA 5-LAUREA. 2-LICENZA ELEMENTARE 4-DIPLOMA. Figura 3.5: Distribuzione del livello di istruzione del conduttore nelle aziende agricole venete nate nel 1999.. Dalla Figura 3.5 si desume un sostanziale aumento del livello di istruzione medio del conduttore se confrontato con quello delle aziende venete nate tra gli anni ’70 e ’80, in cui ben più del 90% dei proprietari presentava al massimo una licenza media (circa il 70% possedeva la licenza elementare). L’aumento del livello di istruzione nel mondo agricolo è comunque implicito nell’aumento dell’istruzione media della popolazione italiana. Tra le variabili presenti nel dataset di sicuro rilievo è quella che misura la SAU (Superficie agricola utilizzata) di ogni azienda presa in esame: l’unità di misura utilizzata storicamente è l’ara (100 are=1 ettaro). Lo sviluppo economico della regione Veneto ha comportato negli ultimi 30 anni una profonda trasformazione dell’assetto territoriale, con la sottrazione alla SAU di suoli destinati a processi di urbanizzazione e industrializzazione a carattere diffuso. Tale fenomeno di consumo del territorio ha profondamente inciso sul settore produttivo agricolo, sottraendo campagne sempre più vaste alla loro storica funzione e provocando profonde ed irreversibili mutazioni di paesaggi e contesti territoriali: dai dati del censimento risulta infatti che negli ultimi 30 anni il territorio veneto ha visto ridursi di 138520 ettari la SAU.. 24! !.

(29) 0. 5. Percent. 10. 15. Distribuzione della SAU. 0. 500. 1000 1500 superficie agricola ( are). 2000. 2500. Figura 3.6 : Distribuzione della superficie agricola utilizzata dalle aziende agricole venete nate nel 1999. Dalla Figura 3.6 si nota come il 90% delle neonate aziende presenti una superficie dedicata allo sfruttamento agricolo inferiore ai 13 ettari, e il 75% inferiore ai 6 ettari. La variabile presenta una forte componente di variabilità legata alla presenza di outlier (il valore più grande è rappresentato da un’azienda la cui estensione della SAU è pari a 390 ettari), la media ne risente e si attesta intorno ai 6,5 ettari. Di indubbia importanza nella descrizione economica di queste aziende è la variabile UDE (Unità di Dimensione Economica): la dimensione economica infatti è altamente correlata con il livello di redditività delle aziende agricole e misura la capacità dell’azienda di impiegare efficientemente le risorse. Questo parametro rappresenta anche un pre-requisito per l’accesso agli aiuti per gli investimenti aziendali. Infatti il Regolamento della Comunità europea per il sostegno allo sviluppo rurale impone che gli aiuti possano essere concessi unicamente ad aziende che superano determinate soglie di redditività. L’UDE rappresenta la base per il calcolo della dimensione economica aziendale: una UDE corrisponde ad un reddito lordo standard aziendale di 1200 euro l’anno. In quest’ottica la Commissione delle Comunità Europee ha creato delle classi di dimensione economica: la soglia di 16 UDE viene generalmente utilizzata per distinguere le piccole aziende (UDE<16) da quelle di medie e grandi dimensioni.. 25! !.

(30) Il reddito lordo standard (RLS) esprime, in termini monetari, la differenza fra il valore della produzione lorda e l’importo dei costi specifici sostenuti per ottenere tale produzione; questa differenza viene determinata per ogni singola specie vegetale o animale. I redditi lordi standard esprimono un valore medio applicabile a tutte le aziende ricadenti in un determinato territorio che per l’Italia è identificato nella Regione. In questo modo è possibile determinare l’orientamento tecnico- economico (OTE) delle aziende agricole, in base all’incidenza percentuale delle varie attività produttive rispetto al reddito lordo standard complessivo. La classificazione delle aziende agricole per OTE si basa quindi sulla determinazione del peso economico delle varie attività produttive presenti in azienda e sulla loro classificazione. A tal fine, utilizzando i RLS della zona in cui ricade l’azienda, si moltiplicano gli ettari coltivati o il numero dei capi allevati per il corrispondente RLS: la combinazione ottenuta si confronta con uno schema tipologico che serve ad individuare gli OTE secondo criteri a livello comunitario e validi per tutte le statistiche ufficiali. Un’azienda viene definita specializzata quando il RLS di una o più attività produttive affini supera i 2/3 del RLS totale dell’azienda (Istat, 2002).. Distribuzione delle aziende agricole secondo UDE. 10.03% 20.07% 7.539% 6.707%. 1.829% 6.929%. 11.92% 14.97% 20.01%. Inferiore a 2 Tra 12 e 16 Tra 2 e 4 Tra 40 e 100 Tra 8 e 12. Superiore a 100 Tra 16 e 40 Tra 4 e 6 Tra 6 e 8. Figura 3.7: Distribuzione delle aziende agricole secondo classi di UDE ( unità di dimensione economica). 26! !.

(31) Distribuzione delle aziende agricole secondo OTE .4989% 7.927% 10.86% 7.871% 9.534% .8315% 3.991% 2.993% .8315% 10.2% 44.46%. Aziende non classificabili Erbivori Miste coltivazioni-allevamento Poliallevamento Seminativi Viticoltura da vino comune. Coltivazioni permaneti Granivori Ortofloricoltura Policoltura Viticoltura da vino D.O.C. Figura 3.8: Distribuzione della aziende agricole secondo la variabile OTE (Orientamento Tecnico-Economico). Come si vede dalle Figure 3.7 e 3.8, in Veneto al censimento del 2000 le aziende agricole nate lungo il 1999 per circa il 23.5% presentano una dimensione economica superiore o uguale alle 16 UDE: ci troviamo di fronte, quindi, a un panorama regionale che mostra una forte e radicata presenza di piccole-medie imprese come tradizionalmente avviene nel Nord Est in ambito imprenditoriale. Per quanto riguarda la specializzazione (e quindi facendo riferimento al codice OTE), si nota una forte presenza di aziende specializzate in Seminativi (circa il 45%), seguite da aziende specializzate in Policoltura e Coltivazioni permanenti. Le aziende specializzate nella viticoltura si suddividono equamente tra viticoltura specializzata in vini D.O.C. e viticoltura specializzata in vini comuni, e complessivamente catturano circa il 15% delle neonate aziende. Per una trattazione più dettagliata dal punto di vista economico, possiamo andare a distinguerle per classi di fatturato relativamente al valore dei prodotti venduti. Dalla Tabella 3.3 è evidente come sostanzialmente la maggior parte delle aziende si suddivida per valore della produzione tra la classe più alta e quella più bassa, infatti ben il 43% dichiara un valore inferiore ai 5mila euro e circa il 44% dichiara un valore superiore ai 25mila euro.. 27! !.

(32) Valore della produzione. Ripartizione. Inferiore ai 5mila euro. 43.01%. Tra i 5mila e i 25mila euro. 12.64%. Superiore ai 25mila euro. 44.35%. Tabella 3.3: Valore della produzione venduta suddivisa per classi di fatturato. ! ! ! ! !. 28! !.

(33) 4. Modelli di durata a tempi discreti I modelli utilizzabili con i dati in nostro possesso rientrano nella classe dei modelli di durata a tempi discreti. Non avendo informazioni precise sulla durata di un’azienda agricola che riguardano intervalli di tempo più brevi come settimane o mesi, ma solamente l’anno di inizio attività e cessazione della stessa, questa tipologia di modelli risulta particolarmente adatta alla stima delle probabilità di sopravvivenza. Al fine di poter realizzare questa tipologia di analisi risulta necessario attuare una trasformazione della struttura dei dati stessa in formato episode-splitting. Nella Tabella 4.1 la variabile id_azienda rappresenta il codice identificativo dell’azienda presa in considerazione sia nella vecchia struttura come nella nuova. Nella nuova struttura andiamo sostanzialmente ad aggiungere per ogni identificativo di azienda tante righe quanti sono gli anni in cui effettivamente l’azienda è sopravvissuta nell’arco dei 5 anni presi in considerazione dalla propria nascita.. Struttura originale id_azienda !! 5!. yi. xi. !! !! 0! x5!. Struttura in formato episode-splitting. anni_osservazione. id_azienda. yij. xi. anno j. !. !. !. !. 5!. 5!. 0!. x5!. 1!. !!. !. !. !. !. 5!. 0!. x5!. 2!. !. !. !. !. 5!. 0!. x5!. 3!. !. !. !. !. 5!. 0!. x5!. 4!. !. !. !. !. 5!. 0!. x5!. 5!. !. !. !. !. !. !. !. !. 6!. 1!. x6!. 3!. 6!. 0!. x6!. 1!. !. !. !. !. 6!. 0!. x6!. 2!. !. !. !. !. 6!. 1!. x6!. 3!. !. !. !. !. !. !. !. !. 7!. 1!. x7!. 4!. 7!. 0!. x7!. 1!. !. !. !. !. 7!. 0!. x7!. 2!. !. !. !. !. 7!. 0!. x7!. 3!. !. !. !. !. 7!. 1!. x7!. 4!. Tabella 4.1: Dataset in formato originale e dataset modificato in formato episode splitting. 29! !.

(34) Ad esempio nella vecchia struttura l’azienda 6 è stata osservata per 3 anni in quanto al terzo anno ha cessato l’attività; yi è una variabile risposta binaria che indica semplicemente se l’azienda ha cessato l’attività (yi=1) o se è ancora attiva (yi=0). Nella nuova struttura l’azienda 6 essendo stata osservata per 3 anni compare con 3 record: yij in questo caso assume valore 0 per i primi due anni di osservazione e 1 al terzo in quanto ha cessato l’attività. Nel nostro caso le caratteristiche aziendali misurate dalle covariate risultano costanti nel tempo, in quanto non si dispone di informazioni su eventuali variazioni, è evidente però che il metodo proposto consente l’introduzione di variabili time-varying. Nel caso in cui i tempi siano discreti, il tempo di sopravvivenza T è una variabile casuale discreta con funzione di probabilità (Jenkins, 2004): !"#$ % !& ' ()*"+ ' #$ dove j varia nel set di possibili valori dell’anno di sopravvivenza (ex: 1,2,3…..). Si ricorda che il fatto di limitarsi alla coorte di aziende del 1999 consente di osservare l’ingresso di tutte le unità, eliminando possibili problemi di length bias. In generale la funzione di sopravvivenza e quella di rischio per l’istante j possono essere scritte rispettivamente come:. 0. ,"#$ ' ()"+ - #$ ' . !/ /1&. 2"#$ ' ()"+ ' #3+ - #$ '. !"#$ ,"# 4 5$. La probabilità di sopravvivere fino all’intervallo j è il prodotto delle probabilità di sopravvivere in tutti gli intervalli precedenti incluso quello corrente. ,& ' ,"#$ ' "5 4 26 $"5 4 27 $ 8 8 9 "5 4 2&:6 $"5 4 2& $ &. ' ;"5 4 2/ $ /16. 30! !.

(35) Nel nostro specifico caso andremo quindi a stimare delle probabilità pij di sopravvivenza anno per anno (j) di ogni azienda (i); nella nuova struttura sopra descritta possiamo anche andare a introdurre delle variabili dummy che definiscono i diversi anni, con l’obiettivo di verificare la variazione del rischio di cessazione durante il periodo di osservazione, o dipendenza dalla durata. Dopo aver ottenuto le stime dei coefficienti, è possibile calcolare la probabilità di cessazione per l’intero periodo di riferimento partendo dalle stime delle probabilità di cessazione annue calcolate per tutti gli anni in cui un’azienda è stata a rischio di cessazione (se un’azienda è sopravvissuta per l’intero periodo si avranno 5 diverse probabilità, 4 se è sopravvissuta per 4 anni etc…). Se un’azienda i è sopravvissuta dal 2000 al 2004, per t anni, con t ! 5 nel dataset in formato episode splitting si avranno solo t record in corrispondenza dell’i-esima azienda, con t che varia da 1 a 5. Questo è corretto per ottenere le stime dei coefficienti, ma se si vuole calcolare la probabilità di sopravvivenza per 5 anni è necessario avere 5 record per ogni azienda: verranno a questo scopo creati 5-t record con gli stessi valori che assumono le variabili per l’azienda i-esima (Biasiolo, 2006), andando a ottenere le stime di probabilità annue per gli eventuali anni mancanti. Se l’obiettivo quindi diventa quello di stimare la probabilità. di cessazione. dell’attività per l’intero periodo di 5 anni, questa sarà: L. ()"<=>>?@ABC=D ' 5$ ' 5 4 ;E5 4 FGHID& ' 5JK &16. 4.1 L’eterogeneità non osservata e il modello ad effetti casuali La classe dei modelli ammette che le differenze tra le aziende agricole non siano catturate completamente dal vettore delle esplicative X, ma si voglia provare a prendere in considerazione la componente di eterogeneità non osservata tra i soggetti. Si ammette la presenza quindi di variabili latenti (effetti casuali) che non 31! !.

(36) sono osservate direttamente ma hanno influenza sulla sopravvivenza o meno dell’azienda agricola. L’approccio classico prevede l’uso in questi caso di modelli a effetti casuali con risposta binaria per dati di panel (ad esempio, tramite il software STATA, possiamo stimare tali modelli utilizzando la funzione xtlogit). Per tenere conto di questi aspetti è quindi necessario considerare un modello generale del tipo:. 2Q "#$ 2"#M N3O$ 'P R =ST"UV N W O$ 5 4 2Q "#$ 5 4 2"#M N3O$ XBYAZ[2"#M N3O$\ ' ]"#$ W UV N W O. dove ]"#$ è un termine che caratterizza la funzione di rischio di base, UV N cattura. gli effetti delle variabili osservate, mentre O è il termine d’errore inserito per considerare l’eterogeneità non osservata, con distribuzione Normale (0,*^_7 ) (Jenkins,. 2004).. Nello specifico, un modello per dati di panel con variabile esplicativa dicotomica con effetti casuali è descritto da Wooldridge (2002) : FG"ID` a 53SD M OD $ ' FG"ID` a 53SD` M OD $ ' b"SD` U W OD $ '. cde"dfg hi_f $. 6icde"dfg hi_f $. * , t=1,…….,ni. dove "i rappresenta l’effetto non osservato e xi contiene xit per tutti i valori di t. Si assuma inoltre :. (1) yi1, yi2,……………… yit ,indipendenti condizionatamente a (xi,"i) (2) !"OD 3jD $kl"mM ^_7 $. 32! !.

(37) Sotto. queste. assunzioni. si. può. condizionatamente ai valori di "SD M oD $:. derivare. la. densità. di HID6 M 8 8 9 M IDnf J. nf. !HI6 M 8 8 9 9 M Inf 3SD M OD p UJ ' ; !"I` 3SD` M OM U$ `16. !"I` 3SD` M OM U$ ' b"S` U W O$qg [5 4 b"S` U W O$\6:qg. Sfruttando queste equazioni, si possono stimare i parametri # e ^_7 utilizzando il metodo della verosimiglianza condizionata. Poiché i valori di OD non vengono osservati, non possono comparire nella funzione di verosimiglianza. Si ottiene la. distribuzione congiunta di HID6 M 8 8 9 M IDnf J condizionatamente a xi integrando la funzione in OD . Utilizzando queste assunzioni si ha: 0. FGHID6 M 8 9 9 IDnf 3SD6 M 8 9 9 SDnf J ' r. :0. = :_f v7tu s. wxb^_. s. nf. y;"ID` M SD` U W OD $z {OD `16. dove !"ID` 3SD` M OD M U$ ' b"ID` M SD` U W OD $qfg [5 4 b"ID` M SD` U W OD $\6:qfg Tramite la funzione xtlogit di Stata andiamo proprio a stimare questo specifico modello; la versione 9.2 del programma inoltre calcola una approssimazione dell’integrale sopra descritto utilizzando il metodo della quadratura adattiva di Gauss-Hermite (o Quadratura Gaussiana) che permette di approssimare integrali del tipo : 0. r = :0. :d s. . Y"S${S | . }~ Y"?~ $ ~16. 33! !.

(38) dove i ~ rappresentano i pesi della quadratura mentre ?~ rappresentano le ascisse. (Stata, 2005). Il metodo sviluppato da Liu, Qing e Pierce (1994) in xtlogit adatta la quadratura attraverso la moda e la curvatura della moda della funzione di verosimiglianza. Il metodo generalmente sembra lavorare molto bene, e spesso meglio di altri metodi alternativi quali MQL (Marginal Quasi-Likelihood) e PQL (Penalized QuasiLikelihood), ma ci sono casi in cui questo tipo di quadratura ha performance più scarse (Skrondal e Rabe-Hesketh , 2002). Per quanto riguarda la previsione, essa viene calcolata in ogni caso assumendo. assenza di eterogeneità non osservata: alla variabile OD viene assegnato il valore della. sua media, cioè "OD $ ' m9. La probabilità stimata per un’ unità con valori delle covariate xit=x0 in un ipotetico “cluster” con effetti casuali OD ' * ODQ è data quindi da:. "S Q M *ODQ $ % * q HID 3ODQ M S Q p U J ' 2"S QV U W ODQ $. La funzione di predizione per xtlogit essenzialmente pone tale valore dell’effetto casuale "ODQ $ = 0.. 4.2 Stima e previsione sui dati reali Sfruttando la funzione xtlogit andiamo a stimare sui dati reali un modello ad effetti casuali per dati di panel con variabile esplicativa dicotomica, e ne riportiamo i principali risultati. A fini descrittivi si è deciso di proporre un modello utile alla stima del rischio di cessazione servendosi delle variabili OTE e UDE che, come visto nel paragrafo 3.2, descrivono rispettivamente l’orientamento tecnico-economico delle aziende (e quindi in un certo senso tengono conto di tutti gli aspetti relativi alle tipologie di colture praticate che possono essere discriminanti per la cessazione o meno delle aziende), e la dimensione economica (che praticamente va a inglobare tutti quei parametri relativi alla forza e solidità economica delle aziende stesse che sono sicuramente 34! !.

(39) determinanti per la sopravvivenza). Tra le variabili esplicative andiamo anche a considerare le variabili dummy relative agli anni di osservazione. Andremo quindi a stimare un modello del tipo: FG"ID` a 53SD` M OD $ ' b"SD` U W OD $ '. cde"7fg h ifg hs 888i6fg h ii_f $. 6icde"7fg h ifg hs 888i6fg h ii_f $. **M********. `168888n. dove OD rappresenta la variabile latente e quindi l’effetto non osservato. Si assume. inoltre che le yi1,yi2……….yit siano indipendenti condizionatamente a (xi,"i) e che. !"OD 3SD $klHmM _7 J9. La Tabella 4.2 riporta le stime dei coefficienti e i relativi Odds Ratio e Standard Error. In queste tipologie di analisi le stime dei parametri possono essere interpretate come effetti dell’incremento unitario della variabile sul logit, a parità di altre condizioni. Tuttavia, con fini di ricerca, sembra più utile e facilmente interpretabile valutare i corrispondenti Odd Ratio (exp(#j)), interpretabili come OR tra due aziende che differiscono per un incremento unitario della corrispondente covariata. L’Odd Ratio che si ottiene valuta quindi l’aumento del rischio di cessazione in corrispondenza di un aumento unitario/presenza di una determinata variabile a parità di altre condizioni. Si può inoltre utilizzare il segno del coefficiente stimato per capire se tale variabile ha un impatto positivo o negativo sul rischio di cessazione. Chiaramente per impatto negativo si intende una diminuzione di tale rischio, per impatto positivo viceversa. Per una trattazione più esaustiva dei risultati della regressione si rimanda al capitolo 7. In relazione alle stime dei parametri il modello non reputa significative le stime dei parametri OTE, l’orientamento tecnico economico delle aziende agricole sembra quindi non essere rilevante nella determinazione del rischio di cessazione delle imprese nel quinquennio considerato. Le variabili UDE, inerenti invece alla dimensione economica, hanno un effetto significativo sul rischio di cessazione: si nota come questo tenda a diminuire monotonicamente con la crescita della dimensione.. 35! !.

(40) Variabile. Coefficienti. Odds Ratio. Standard Error. 0,589147. 1,80245. 0,652662. Ote2. 1,426634. *. 4,16465. 0,719878. Ote3. 0,077123. 1,08017. 0,679006. Ote311. -0,70541. 0,49390. 0,711546. Ote312. 0,151713. 1,16382. 0,673657. Ote4. 0,121327. 1,12899. 0,671331. Ote5. 0,184872. 1,20306. 1,009592. Ote6. 0,222773. 1,24953. 0,673329. Ote7. -0,48726. 0,61430. 0,990392. Ote8. -0,17981. Base_Ote1. 0,83542. 0,723212. **. 0,69243. 0,139121. **. 0,29984. 0,19435. **. 0,29236. 0,236308. **. 0,23664. 0,226315. **. 0,18041. 0,289442. **. 0,13082. 0,235676. **. 0,07115. 0,433504. 0,06131. 0,745702. 0,08560. 0,650684. 1,24610. 0,146309. -0,36754. Ude2_4. -1,20448. Ude4_6. -1,22975. Ude6_8. -1,44118. Ude8_12. -1,71247. Ude12_16. -2,03393. Ude16_40. -2,64286. Ude40_100. -2,7917. Ude100. ** **. -2,45801. Costante Dummy2. 0,220024. Dummy3. 0,176803. 1,19339. 0,154111. Dummy4. 0,016379. 1,01651. 0,165812. 0,75932. 0,18482. -0,27532. Dummy5. Numerosità. 8013. Log -Likelihood . -1540.0233 0.297847. Tabella 4.2: Modello di durata con effetti casuali. Il risultato più interessante che si ottiene utilizzando questa metodologia, è senza dubbio la stima del parametro ! definito come segue: '. ^_7. ^_7 W ^7. 36! !.

(41) Se =0 c’e’ assenza di eterogeneità non osservata, perche questo implica ^_7 =0.. Stata ci fornisce un test, chiamato Test Lr (Likelihood-ratio test of rho=0), che nel nostro specifico caso fornisce questi risultati: 7 "m5$ ' m9m ¡. FGB* ' . 7 "m5$* = 1.73 . 7 "m5$ La distribuzione utilizzata per il test è una mistura 50:50 di due di. distribuzioni: 7 (0) e 7 (1). Questo perché la distribuzione asintotica di $ è una normale “troncata” a 0 (Gutierrez et.al, 2001).. Nel nostro specifico caso, a un livello di significatività del 5%, il test accetta l’ipotesi nulla di assenza di eterogeneità non osservata, a un livello di significatività del 10% rifiuta tale ipotesi. Dopo avere ottenuto le stime dei parametri dalla regressione, queste si utilizzano per prevedere la probabilità di cessazione nei 5 anni come visto all’inizio del capitolo 4. Dal paragrafo 4.1 si deduce che la previsione con xtlogit viene eseguita in Stata 9.2 assumendo che l’effetto casuale abbia un valore pari alla sua media, "OD $ ' m9. Successivamente si valuta la capacità classificatoria del modello comparando la distribuzione di probabilità stimata con quella osservata.. Probabilità stimate di cessazioneProbabilità stimate di cessazione 1. 5 0. Density. 10. 0. 0. .2. .4. .6. .8. 0. .2. .4. .6. .8. Pr(cessazione) - xtlogit Graphs by died. Figura 4.1: Distribuzione delle probabilità stimate di cessazione per il periodo 2000-2004, aziende sopravvissute (0) e cessate (1). 37! !.

(42) La Figura 4.1 riporta le distribuzioni delle probabilità stimate di cessazione per le aziende sopravvissute e per quelle cessate (0= sopravvissuta, 1= cessata) nel periodo di 5 anni (2000-2004). La capacità classificatoria del modello si può comprendere meglio analizzando i risultati della Tabella 4.3 dove per. proporzione di falsi positivi intendiamo :. Pr(condizione effettiva = cessata | condizione prevista = ancora attiva), mentre per proporzione di falsi negativi intendiamo : Pr(condizione effettiva = ancora attiva | condizione prevista = cessata).. Soglie. Corretta. Proporzione Falsi. Proporzione. classificazione. Positivi. Falsi Negativi. 0.2. 62.69%. 11.44%. 63.57%. 0.3. 72.23%. 14.13%. 56.04%. 0.4. 74.78%. 17.48%. 53.20%. Tabella 4.3: Capacità classificatoria con xtlogit per tre livelli di soglia. Come si nota dalla Tabella 4.3, la capacità classificatoria è influenzata dalla soglia scelta: aumentando la soglia di cut off il modello tende a classificare meglio le aziende che cessano l’attività. Per costruzione si ha anche un aumento della proporzione di falsi positivi e una diminuzione di falsi negativi. Quindi andando ad utilizzare una soglia compresa tra 0.3 e 0.4 (cioè se la probabilità stimata di cessazione è superiore a questa, il modello classifica l’azienda come “cessata”), xtlogit fornisce queste prestazioni: poco più del 70% delle aziende è classificato esattamente e la probabilità di finanziare aziende che poi chiuderanno varia tra il 14 e il 18% (Falsi positivi). La probabilità di non finanziare aziende che poi sopravivranno invece varia tra circa il 56% e il 53% (Falsi negativi). Tali risultati possono essere utilizzati ai fini di una politica di sostegno alle aziende agricole, finanziando effettivamente solo quelle che presentano una probabilità di sopravvivenza nei 5 anni superiore a una determinata soglia, che nel nostro caso può essere compresa tra 0.2 e 0.4. Si ha, in questo modo, un generale miglioramento in termini di stima della probabilità di sovvenzionare un’azienda che chiuderà entro 5 anni: passando da un 23.84% nel caso in cui si considerassero tutte le aziende. 38! !.

(43) ugualmente meritevoli dell’aiuto, a un 11.44% utilizzando una soglia pari a 0.2 sui risultati del modello ridotto. Le figure seguenti illustrano sinteticamente la variabilità di alcuni risultati presentati nella Tabella 4.3 al variare della soglia utilizzata.. 0. Proporzione esattamente classificati .1 .2 .3 .4 .5 .6 .7 .8 .9. 1. xtlogit. 0. .2. .4 Cutoff. .6. .8. Figura 4.2 Sensibilità della classificazione rispetto alle soglie. 0. Proporzione falsi positivi .1 .2 .3. .4. xtlogit. 0. .1. .2. .3. .4. .5 cutoff. .6. .7. .8. .9. 1. Figura 4.3:Sensibilità della proporzione di falsi positivi alle soglie. Nella Figura 4.2 si è andati a valutare la sensibilità della classificazione rispetto a tutte le possibili soglie di cut-off individuabili. Assumendo una soglia pari circa a 0.6. 39! !.

(44) si può notare come la proporzione di esattamente classificati si stabilizzi. E’ utile in queste analisi confrontare la Figura 4.2 con la Figura 4.3 in cui viene rappresentata la sensibilità della proporzione di falsi postivi alle varie soglie. Anche in questo caso è evidente come la proporzione si stabilizzi alla stessa soglia. Per testare inoltre effettivamente la capacità previsiva del modello si è deciso di stimare il modello sul 50% della popolazione in oggetto, selezionata casualmente, e di analizzare le previsioni estendendole all’altra metà del campione non utilizzato per la stima del modello. Nella Figura 4.1 è rappresentata la distribuzione delle probabilità di cessazione ottenute stimando il modello su tutto il campione e prevedendo all’interno dello stesso; nella Figura 4.4 invece è rappresentata la distribuzione delle probabilità di cessazione stimando il modello sul 50% del campione ed estendendo le previsioni all’altra metà della popolazione non utilizzata per la stima.. 1. 4 0. 2. Density. 6. 8. 0. 0. .5. 1. 0. .5. 1. campione_ridotto Graphs by died. Figura 4.4: Distribuzione delle probabilità di cessazione stimando il modello sul campione ridotto.. La capacità classificatoria del modello che sfrutta metà della popolazione è molto simile a quella del modello che sfrutta l’intera popolazione, non si sono notati evidenti scostamenti dei risultati esposti nella Tabella 4.3. Confrontando in effetti le distribuzioni, non sembrano discostarsi in maniera evidente.. 40! !.

(45) 4.3 L’ analisi ROC (Receiver Operating Characteristic) L’analisi ROC è una metodologia sviluppata per la prima volta durante la II Guerra mondiale per l’analisi delle immagini radar e lo studio del rapporto segnale/disturbo. Essa venne ben presto applicata in altri campi della tecnica e a partire dagli anni ’70, anche in campo medico, inizialmente allo scopo di quantificare l’attendibilità dei responsi di immagini radiografiche interpretate da operatori diversi. In tempi più recenti l’utilizzo delle curve ROC si è fatto relativamente comune per la valutazione non solo delle immagini, ma anche dei più svariati test sia nel settore medico (con particolare riguardo alla valutazione dei test clinici di laboratorio) che, in minor misura, in quello veterinario. In un test di tipo quantitativo, occorre individuare sulla scala di lettura un valoresoglia (“cut-point”o “cut-off”) che discrimini i risultati da dichiarare “positivi” da quelli “negativi”, consentendo in questo modo di categorizzare in “positivi” e “negativi” la gamma di tutti i possibili risultati e di equiparare l’interpretazione di un test quantitativo a quella di un test qualitativo. Solitamente nella pratica è quasi impossibile individuare un valore di cut-off che consenta una classificazione perfetta, tale da azzerare sia falsi positivi che falsi negativi. La performance di un modello in termini di classificazione per un determinato valore di cutoff può essere valutata attraverso una semplice tabella di contingenza che confronta l’output del modello con l’effettivo valore realizzato.. Risultato effettivo Risultato del modello. 1. 0. 1. a. b. 0. c. d. Tabella 4.4: Esempio di tabella di contingenza. Il confronto fra i risultati previsti dal modello e l’effettivo stato realizzato consente di stimare due importanti parametri:. 41! !.